Self-Organising Memristive Networks as Physical Learning Systems
Francesco Caravelli and Gianluca Milano and Adam Z. Stieg and Carlo Ricciardi and Simon Anthony Brown and Zdenka Kuncic
物理系统学习是一种新兴范式，旨在利用物理基质固有的非线性动力学进行学习。硬件用于计算智能的范式转变动力主要源于在传统基于晶体管的硬件上实现的人工神经网络软件的不可持续性。本视角重点介绍了一种有前景的方法，使用由阻变存储器纳米尺度组件组成的物理网络，具有动态可重构、自组织的电路结构。实验进展揭示了这些自组织忆阻网络（SOMNs）内部非平凡的相互作用，为理解其集体非线性和自适应动力学提供了见解，以及如何利用这些特性通过不同的硬件实现进行学习。理论方法，包括平均场理论、图论和无序系统概念，揭示了SOMNs动力学的更深层次见解，特别是在不同电导状态之间的转变过程中，实验和模型中都出现了临界性和其他动力学相变。此外，SOMNs中的自适应动力学与生物神经网络中的可塑性之间的相似性表明，实现节能、类脑的持续学习具有潜力。因此，SOMNs为实现嵌入式边缘智能提供了一条有前景的途径，通过在资源受限环境中实现嵌入式学习，为自主系统、动态传感和个性化医疗保健解锁实时决策能力。本视角的总体目标是展示纳米技术、统计物理、复杂系统和自组织原理的融合如何为推进新一代物理智能技术提供独特机遇。
Learning with physical systems is an emerging paradigm that seeks to harness the intrinsic nonlinear dynamics of physical substrates for learning. The impetus for a paradigm shift in how hardware is used for computational intelligence stems largely from the unsustainability of artificial neural network software implemented on conventional transistor-based hardware. This Perspective highlights one promising approach using physical networks comprised of resistive memory nanoscale components with d...